Co nového ve zpracování MWE Automatická identifikace Společný workshop tří GAČRů 15. dubna 2013
Víceslovné výrazy Osnova Víceslovné výrazy (VV, MWE) v PDT 2.5 Automatická identifikace Problémy (Úpravy slovníku) 15. dubna 2013, 16:00 Víceslovné výrazy: automatická identifikace 2/24
PDT 2.5 screenshot V Republice srbské (RS, v Bosně) včera skončilo dvoudenní referendum o mírovém plánu kontaktní skupiny. 3/24
PDT 2.5 screenshot V Republice srbské (RS, v Bosně) včera skončilo dvoudenní referendum o mírovém plánu kontaktní skupiny. 4/24
Co jsou VV? řada kritérií jen vodítka uloženy ve slovníku SemLex když anotátor považoval za správné vložit do slovníku víc než jen kolokace detaily: komposicionalita překlad substituovatelnost variovatelnost odlučitelnost neblahý konec vs. vysoká škola high school účetní poradce vs. účetní závěrka *dopravní hřích *dopravní závažný přestupek 5/24
SemLex Slovník VV z celé t-roviny PDT slovník má smysl výběr netriviální pouze víceslovné lexie pojmenované entity nikoli uložena též stromová struktura ( podstrom ) jinak málo metadat předpoklad 1: jeden VV = jedna struktura pro všechny výskyty předpoklad 2: má-li něco strukturu VV, je to VV téměř 9 000 slovníkových položek 6/24
Stromová struktura v SemLexu podstrom v l podstrom v l 7/24
Stromová struktura v SemLexu podstrom v l podstrom #root Nový ředitel peněžního odboru zmíněné banky podal resignaci. v l 8/24
Podstrom pro frazém podívat se pravdě do očí 9/24
Automatická identifikace SemLex t-rovina automaticky vyhledat 10/24
Automatická identifikace SemLex t-rovina automaticky vyhledat SNADNÉ...nebýt chyb 11/24
Automatická identifikace SemLex t-rovina automaticky vyhledat chyby návrhu PDT (guidelines) SNADNÉ...nebýt chyb 12/24
Automatická identifikace SemLex t-rovina automaticky vyhledat chyby návrhu PDT (guidelines) SNADNÉ...nebýt chyb chyby anotace PDT 13/24
Automatická identifikace chyby anotace VV SemLex t-rovina automaticky vyhledat chyby návrhu PDT (guidelines) SNADNÉ...nebýt chyb chyby anotace PDT 14/24
Automatická identifikace chyby anotace VV SemLex t-rovina automaticky vyhledat chyby návrhu PDT (guidelines) nedostatečnost struktury v SemLexu SNADNÉ...nebýt chyb neúplný SemLex chyby anotace PDT 15/24
Automatická identifikace chyby anotace VV chyby v parsingu t-roviny SemLex t-rovina automaticky vyhledat chyby návrhu PDT (guidelines) nedostatečnost struktury v SemLexu SNADNÉ...nebýt chyb neúplný SemLex chyby anotace PDT 16/24
Podstrom VV nenalezen zkratky: ODS, ministr ŽP přechýlení mistryně světa, ministryně zahraničí, hlavní hygienička zdrobněliny rodinný dům/domek, konferenční sál/salonek vid: zaujmout/zaujímat stanovisko elipsy; reflexivita; PoS; synonyma; přívlastky 17/24
Výsledky (zatím žalostné) Precision / Recall PDT 2.5 PDT parsované ČNK parsované t-rovina 61.99 / 95.95 63.40 / 86.32 TBD a-rovina 66.11 / 88.67 66.09 / 81.96 TBD m-rovina (win=3) 62.65 / 90.50 62.73 / 89.80 TBD nedostatečná evaluace na trénovacích datech mnoho chyb v datech mnoho možných zlepšení pro slovník a hledání nezdá se zatím, že by t-rovina porazila a-rovinu, nebo alespoň m-rovinu... 18/24
Budoucnost propojení SemLexu Podobné VV jsou i ve slovníku někdy jsou synonymní, či antonymní jindy zkrátka jen odkazují na tentýž kratší VV nějak je zachytit musíme snaha propojit související pojmy, relacemi (synonymie, hyponymie, ale nejen jimi) případné uznané duplicity promazat příklad (násobný) druhá vlna kuponové privatizace, 2. vlna kupónové privatizace druhá vlna KP, druhá vlna privatizace druhá vlna... může být až 12 variant 19/24
Budoucnost propojení SemLexu další příklady (neuspořádané) (základní) umělecká škola (trvale/dlouhodobě) udržitelný rozvoj; (šitý/ušít) na míru osoba/pracovník se změněnou pracovní schopností / změněná prac. sch. ((první) náměstek) ministra zahraničí/zahraničních věcí loutkové divadlo/divadelnictví/představení (deficitní/vyrovnaný/přebytkový) státní rozpočet; zákon o (vyr.) st. rozp.; (deficit/vyrovnanost/schodek/návrh/výdaje) státního rozpočtu; dotace ze státního rozpočtu věci veřejné / věc veřejná / veřejná věc; pro i/a proti 20/24
Poděkování Silvii Silvie, děkuju. :-)...a samozřejmě všem za pozornost.
Anotace VV na t-rovině motivace je to blízké anotaci významu, patří to sem snazší odstínění povrchových variant (slovosled, nesouvislé/přerušené výrazy) tektogramatický podstrom tvořící VV by měl (ideálně) být shodný pro všechny výskyty jsou zde doplněné uzly popáleniny 3. a 4. stupně na 40 procentech povrchu těla...a bez Sarajeva by nebyla žádná první světová válka. A bez první možná ani druhá. [PDT 2.0, m-rovina] Naučili jsme je zobat raději z naší než z jiné ruky. [PDT 2.0, m-rovina] 22/24
Anotace VV na t-rovině nevýhody vyhledávání pomocí t-podstromu není všemocné: Leonardo dal svým gólem signál k výhře nad Nagojou a svůj první gól v zemi vycházejícího slunce vstřelil Němec Buchwald. [PDT 2.0] anotace obsahuje pouze t-uzly tvořící VV nevýhoda: aux-uzly nejsou nikdy součástí hodit flintu do žita zkusit do třetice zkoušet do soudného dne investovat do kotované emise lze doplnit automaticky ze slovníku 23/24
Tektogramatický podstrom nevýhody: 24/24